University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Boulahlib, walid |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Apprentissage des Réseaux de Neurones Profonds : Analyse Des Sentiments Dans Les Réseaux Sociaux. Type de document : texte imprimé Auteurs : Boulahlib, walid, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse Editeur : Setif:UFA Année de publication : 2018 Importance : 1 vol (72 f .) Format : 29 cm Langues : Français (fre) Langues originales : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Fouille d'opinion
Apprentissage profond
word2vec
réseaux de neurone récurrent(RNN)Index. décimale : 004 Informatique Résumé : Depuis siècles , Certains chercheurs se sont intéressés à l'étude, à l'analyse , à la
description et à la classication des émotions humaines, ce qui a permis de trouver
plus d'outils de recherche et de soutenir des plateformes d'acquisition de données .
Avec l'expansion des moyens de réseaux de communication et sociaux sur Internet,
qui donnent de vastes zones d'expression et de mettre en avant et des idées
librement par des personnes de partout dans le monde, où il a été mis en place de
nombreux domaines en fonction de l'étude sur le domaine psychologique, son objectif
en premier lieu est de comprendre Comportement humain pour la capacité de
révéler ce qu'il pense à travers ce qu'il ressent , écrit ou dit.
Aujourd'hui, de nouveaux horizons ont été révélés, puisque nous pouvions savoir
qui va gagner les élections avant même d'avoir voté ?Et si on pouvait. savoir si le
lancement d'un nouveau téléphone ou d'une nouvelle voiture ou d'un produit serait
rentable ou non? Et beaucoup de nouvelles questions qui ont permis aux études dans
la fouille d'opinions, que ce soit au niveau académique ou industriel, pour prendre
de plus en plus d'importance.
Ainsi, la compréhension des sentiments étant un aspect convoité et étudié , de
nouvelles portant sur la détection et surtout la fouille d'opinions ou de sentiments
à travers les réseaux sociaux sont apparues . ces études touchent de plus en plus de
domaines et inuent de plus en plus sensibles à la prise de décision que ce soit au
niveau personnel et communautaire. , Ou au niveau gouvernemental ou mondial .
Dans ce rapport, nous avons utilisé la technique d'apprentissage en profondeur
comme une nouvelle tendance pour réaliser une fouille d'opinion , en créant un mod-
èle avec trois classeurs séparateur à vaste marge (SVM) , arbre de décision (AD) ,
Forêt aléatoire (RF) pour comparer ce modèle an d'évaluer sa performance,nous
avons pris Amazon comme source des données pour ce travail.Note de contenu : Sommaire
Contents iv
List of Figures vii
Introduction Générale 1
1 Apprentissage automatique : Etat de l'art 4
1 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Déférents étapes pour création modèle apprentissage . . . . . . . . . 5
3.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . 5
3.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . 6
4 Domaines de l'Apprentissage Automatique . . . . . . . . . . . . . . . 6
4.1 Fouille des données (data mining) . . . . . . . . . . . . . . . 6
4.2 Intelligence articielle . . . . . . . . . . . . . . . . . . . . . . . 8
5 Données d'Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Types d'apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . 8
6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . 9
6.3 Apprentissage semi-supervisée . . . . . . . . . . . . . . . . . . 9
6.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . 10
7 Les algorithmes d'apprentissage automatique . . . . . . . . . . . . . . 10
7.1 Support vecteur machine . . . . . . . . . . . . . . . . . . . . 10
7.2 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . 14
7.3 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Apprentissage profond 18
1 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Motivations pour l'apprentissage profond . . . . . . . . . . . . . . . . 19
2.1 Architecture profonde du cerveau . . . . . . . . . . . . . . . . 19
2.2 Profondeur des processus cognitifs . . . . . . . . . . . . . . . 19
3 Les réseaux de neurones articiels . . . . . . . . . . . . . . . . . . . . 20
3.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Rétro propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Apprentissage profond architecture . . . . . . . . . . . . . . . . . . . 22
5.1 Réseaux de croyances profondes . . . . . . . . . . . . . . . . . 22
5.2 Réseaux de neurones conventionnelle . . . . . . . . . . . . . . 23
5.3 Réseaux de neurones récurrent . . . . . . . . . . . . . . . . . . 24
6 application d'apprentissage profond . . . . . . . . . . . . . . . . . . . 25
6.1 Traitement Automatique des Langues Naturelles . . . . . . . . 25
6.2 Traduction automatique . . . . . . . . . . . . . . . . . . . . . 26
6.3 Reconnaissance d'image . . . . . . . . . . . . . . . . . . . . . 26
6.4 Domaine médical . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Fouille d'opinion ou Analyse des sentiments 27
1 Dénition de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.1 Information textuelle . . . . . . . . . . . . . . . . . . . . . . 27
1.2 Opinion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3 Faits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Document, Sujet, Sentiment . . . . . . . . . . . . . . . . . . . 28
2 Opinion mining ou Analyse de sentiment . . . . . . . . . . . . . . . . 28
3 Composantes de sentiment . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Modèle d'un document opiniâtre . . . . . . . . . . . . . . . . . . . . . 29
4.1 Opinion directe . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Opinion comparaison . . . . . . . . . . . . . . . . . . . . . . 30
5 Processus de la fouille d'opinions . . . . . . . . . . . . . . . . . . . . 30
5.1 Acquisition et prétraitement des données . . . . . . . . . . . . 31
5.2 La pertinence par rapport au sujet . . . . . . . . . . . . . . . 31
5.3 La détection d'opinions . . . . . . . . . . . . . . . . . . . . . . 31
6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.1 la politique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.2 E-commerce . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7 Classication des Sentiments . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Niveaux de document . . . . . . . . . . . . . . . . . . . . . . . 32
7.2 Niveau de phrase . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.3 Niveau d'aspect . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8 Les approches de détection l'opinion . . . . . . . . . . . . . . . . . . 33
8.1 Approche symbolique . . . . . . . . . . . . . . . . . . . . . . . 33
8.2 Approche statistique . . . . . . . . . . . . . . . . . . . . . . . 34
8.3 Approche hybride . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Jeux des données et Prétraitement 36
1 Description des données . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Division du jeux de données . . . . . . . . . . . . . . . . . . . . . . . 41
2.1 Données pour l'apprentissage . . . . . . . . . . . . . . . . . . 41
2.2 Donnée pour le test . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Pré traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 Nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Représentation . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1 Environnement de développement Python . . . . . . . . . . . 45
4.2 Bibliothèques . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Expérimentation et Résultats 48
1 Algorithmes et techniques . . . . . . . . . . . . . . . . . . . . . . . . 48
1.1 Notre architecture keras . . . . . . . . . . . . . . . . . . . . . 49
1.2 Compilation du modèle : . . . . . . . . . . . . . . . . . . . . 50
1.3 Apprentissage de modèle : . . . . . . . . . . . . . . . . . . . . 50
2 Expérimentation et résultats . . . . . . . . . . . . . . . . . . . . . . 51
2.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . 57
3 Interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Discussion des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . 65
6 Conclusion Générale 67
Bibliography
Côte titre : MAI/0214 En ligne : https://drive.google.com/file/d/1H_utZUOJbC1E3CS0Ok9BsoulNTRMHf4b/view?usp=shari [...] Format de la ressource électronique : Apprentissage des Réseaux de Neurones Profonds : Analyse Des Sentiments Dans Les Réseaux Sociaux. [texte imprimé] / Boulahlib, walid, Auteur ; Moussaoui ,Abdelouahab, Directeur de thèse . - [S.l.] : Setif:UFA, 2018 . - 1 vol (72 f .) ; 29 cm.
Langues : Français (fre) Langues originales : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Apprentissage automatique
Fouille d'opinion
Apprentissage profond
word2vec
réseaux de neurone récurrent(RNN)Index. décimale : 004 Informatique Résumé : Depuis siècles , Certains chercheurs se sont intéressés à l'étude, à l'analyse , à la
description et à la classication des émotions humaines, ce qui a permis de trouver
plus d'outils de recherche et de soutenir des plateformes d'acquisition de données .
Avec l'expansion des moyens de réseaux de communication et sociaux sur Internet,
qui donnent de vastes zones d'expression et de mettre en avant et des idées
librement par des personnes de partout dans le monde, où il a été mis en place de
nombreux domaines en fonction de l'étude sur le domaine psychologique, son objectif
en premier lieu est de comprendre Comportement humain pour la capacité de
révéler ce qu'il pense à travers ce qu'il ressent , écrit ou dit.
Aujourd'hui, de nouveaux horizons ont été révélés, puisque nous pouvions savoir
qui va gagner les élections avant même d'avoir voté ?Et si on pouvait. savoir si le
lancement d'un nouveau téléphone ou d'une nouvelle voiture ou d'un produit serait
rentable ou non? Et beaucoup de nouvelles questions qui ont permis aux études dans
la fouille d'opinions, que ce soit au niveau académique ou industriel, pour prendre
de plus en plus d'importance.
Ainsi, la compréhension des sentiments étant un aspect convoité et étudié , de
nouvelles portant sur la détection et surtout la fouille d'opinions ou de sentiments
à travers les réseaux sociaux sont apparues . ces études touchent de plus en plus de
domaines et inuent de plus en plus sensibles à la prise de décision que ce soit au
niveau personnel et communautaire. , Ou au niveau gouvernemental ou mondial .
Dans ce rapport, nous avons utilisé la technique d'apprentissage en profondeur
comme une nouvelle tendance pour réaliser une fouille d'opinion , en créant un mod-
èle avec trois classeurs séparateur à vaste marge (SVM) , arbre de décision (AD) ,
Forêt aléatoire (RF) pour comparer ce modèle an d'évaluer sa performance,nous
avons pris Amazon comme source des données pour ce travail.Note de contenu : Sommaire
Contents iv
List of Figures vii
Introduction Générale 1
1 Apprentissage automatique : Etat de l'art 4
1 Travaux connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Déférents étapes pour création modèle apprentissage . . . . . . . . . 5
3.1 Collection des données . . . . . . . . . . . . . . . . . . . . . . 5
3.2 Préparation des données . . . . . . . . . . . . . . . . . . . . . 5
3.3 Entraîner un modèle . . . . . . . . . . . . . . . . . . . . . . . 6
3.4 Évaluation de modèle . . . . . . . . . . . . . . . . . . . . . . 6
4 Domaines de l'Apprentissage Automatique . . . . . . . . . . . . . . . 6
4.1 Fouille des données (data mining) . . . . . . . . . . . . . . . 6
4.2 Intelligence articielle . . . . . . . . . . . . . . . . . . . . . . . 8
5 Données d'Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . 8
6 Types d'apprentissage automatique . . . . . . . . . . . . . . . . . . . 8
6.1 Apprentissage supervisé . . . . . . . . . . . . . . . . . . . . . 8
6.2 Apprentissage non supervisé . . . . . . . . . . . . . . . . . . . 9
6.3 Apprentissage semi-supervisée . . . . . . . . . . . . . . . . . . 9
6.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . 10
7 Les algorithmes d'apprentissage automatique . . . . . . . . . . . . . . 10
7.1 Support vecteur machine . . . . . . . . . . . . . . . . . . . . 10
7.2 k-plus proche voisine . . . . . . . . . . . . . . . . . . . . . . . 14
7.3 Arbre de décision . . . . . . . . . . . . . . . . . . . . . . . . . 15
7.4 Naïve de bayes . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 Apprentissage profond 18
1 Apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Motivations pour l'apprentissage profond . . . . . . . . . . . . . . . . 19
2.1 Architecture profonde du cerveau . . . . . . . . . . . . . . . . 19
2.2 Profondeur des processus cognitifs . . . . . . . . . . . . . . . 19
3 Les réseaux de neurones articiels . . . . . . . . . . . . . . . . . . . . 20
3.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Neurone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Rétro propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
5 Apprentissage profond architecture . . . . . . . . . . . . . . . . . . . 22
5.1 Réseaux de croyances profondes . . . . . . . . . . . . . . . . . 22
5.2 Réseaux de neurones conventionnelle . . . . . . . . . . . . . . 23
5.3 Réseaux de neurones récurrent . . . . . . . . . . . . . . . . . . 24
6 application d'apprentissage profond . . . . . . . . . . . . . . . . . . . 25
6.1 Traitement Automatique des Langues Naturelles . . . . . . . . 25
6.2 Traduction automatique . . . . . . . . . . . . . . . . . . . . . 26
6.3 Reconnaissance d'image . . . . . . . . . . . . . . . . . . . . . 26
6.4 Domaine médical . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 Fouille d'opinion ou Analyse des sentiments 27
1 Dénition de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.1 Information textuelle . . . . . . . . . . . . . . . . . . . . . . 27
1.2 Opinion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.3 Faits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4 Document, Sujet, Sentiment . . . . . . . . . . . . . . . . . . . 28
2 Opinion mining ou Analyse de sentiment . . . . . . . . . . . . . . . . 28
3 Composantes de sentiment . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Modèle d'un document opiniâtre . . . . . . . . . . . . . . . . . . . . . 29
4.1 Opinion directe . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2 Opinion comparaison . . . . . . . . . . . . . . . . . . . . . . 30
5 Processus de la fouille d'opinions . . . . . . . . . . . . . . . . . . . . 30
5.1 Acquisition et prétraitement des données . . . . . . . . . . . . 31
5.2 La pertinence par rapport au sujet . . . . . . . . . . . . . . . 31
5.3 La détection d'opinions . . . . . . . . . . . . . . . . . . . . . . 31
6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.1 la politique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.2 E-commerce . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7 Classication des Sentiments . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Niveaux de document . . . . . . . . . . . . . . . . . . . . . . . 32
7.2 Niveau de phrase . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.3 Niveau d'aspect . . . . . . . . . . . . . . . . . . . . . . . . . . 32
8 Les approches de détection l'opinion . . . . . . . . . . . . . . . . . . 33
8.1 Approche symbolique . . . . . . . . . . . . . . . . . . . . . . . 33
8.2 Approche statistique . . . . . . . . . . . . . . . . . . . . . . . 34
8.3 Approche hybride . . . . . . . . . . . . . . . . . . . . . . . . . 35
4 Jeux des données et Prétraitement 36
1 Description des données . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2 Division du jeux de données . . . . . . . . . . . . . . . . . . . . . . . 41
2.1 Données pour l'apprentissage . . . . . . . . . . . . . . . . . . 41
2.2 Donnée pour le test . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Pré traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1 Nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Représentation . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1 Environnement de développement Python . . . . . . . . . . . 45
4.2 Bibliothèques . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5 Expérimentation et Résultats 48
1 Algorithmes et techniques . . . . . . . . . . . . . . . . . . . . . . . . 48
1.1 Notre architecture keras . . . . . . . . . . . . . . . . . . . . . 49
1.2 Compilation du modèle : . . . . . . . . . . . . . . . . . . . . 50
1.3 Apprentissage de modèle : . . . . . . . . . . . . . . . . . . . . 50
2 Expérimentation et résultats . . . . . . . . . . . . . . . . . . . . . . 51
2.1 Amazon Food . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.2 Amazon Mobile . . . . . . . . . . . . . . . . . . . . . . . . . 57
3 Interface graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Discussion des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . 65
6 Conclusion Générale 67
Bibliography
Côte titre : MAI/0214 En ligne : https://drive.google.com/file/d/1H_utZUOJbC1E3CS0Ok9BsoulNTRMHf4b/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0214 MAI/0214 Mémoire Bibliothéque des sciences Français Disponible
Disponible